0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

AIのコストは錯覚だらけ — クレジット・サブスク・圧縮で読み解く「トークン経済」

0
Last updated at Posted at 2026-07-13

AIのコストは錯覚だらけ — クレジット・サブスク・圧縮で読み解く「トークン経済」

同じ意味の文でも、言語(=トークンの割れ方)で課金の元になるトークン数は変わる。英語5に対し日本語・韓国語は約2倍(GPT トークナイザ cl100k_base で実測)。課金は文字数ではなくトークン数で動く

はじめに:史上初の「AI司会者」は、AIではなかった

1985年4月4日、英Channel 4のテレビ映画『Max Headroom: 20 Minutes into the Future』に、世界初を謳う存在が現れます。「世界初のコンピューター生成テレビ司会者」Max Headroom(マックス・ヘッドルーム)。カクカクと声が飛び、背景にデジタルノイズが走る、いかにも「コンピューターが喋っている」キャラクターでした。

ところが、これは壮大な錯覚でした。中身は俳優Matt Frewer氏。ラテックスとフォームの特殊メイク、コンタクトレンズ、ファイバーグラス製のスーツ——メイクだけで毎回4時間半。本当にCGだったのは「背景」だけで、本体は人間です。きつい照明と編集で「いかにもCG」に見せていた(Wikipedia)。

用語:CG(コンピューターグラフィックス) … 計算機で生成した映像。Max Headroomは「全部CGに見せて、実は人力」という、当時としては逆方向に手の込んだ演出でした。

40年経った今も、私たちはAIまわりで「見た目」と「実体」を取り違え続けています。とくにコスト。クレジット表示、サブスクの請求、トークン課金——どれも直感が裏切られる。

この記事は、私がたった1日で実際に踏み抜いた3つのコストの錯覚を、一次情報(実体験・実測ログ・公式ソース)で解体する話です。技術ネタとしては地味ですが、「自分が何にいくら払っているか」を構造で理解すると、AIの使い方そのものが変わります。

用語:トークン … LLM(大規模言語モデル)が文章を処理する最小単位。ざっくり「単語のかけら」。日本語1文字でも複数トークンになることがあり、課金もレート制限もこのトークン数が基準です。AIのコストは、円でもドルでもなく、まず「トークン」で動いている、と覚えてください。


錯覚①:単価の罠 ——「AIに値段を聞いたら、桁を2つ盛られた」

ある日、エージェント機能(AIが自動で延々と作業するモード)を半日走らせたら、残高表示が 6,333.14クレジットになっていました。「クレジット」っていくらだ? そこで、よせばいいのに当のAIサービス自身に聞いてみたんです。

用語:クレジット … サービス内で使う独自通貨。実通貨(円やドル)との交換比率は提供側が決めるため、画面の数字と実コストの間に必ず「クッション(変換のひと手間)」が挟まります。直感が効きにくいのはこのためです。

私:「6,333.14クレジットはいくら?」
AI:「1クレジット=1ドル相当です。したがって6,333.14クレジット=6,333.14ドル分です。」

……約100万円(1ドル≒158円換算)。半日でこれは事故です。血の気が引きました。

慌ててサポートに問い合わせたところ、正解は——

サポート:「100クレジット=1.00米ドルです。6,333クレジットは約63.33ドル(≈1万円)に相当します。」

100倍ズレていた(63.33ドル×158円≒1万円。冒頭の「100万円」と同じレートで換算しています)。しかも誤差がちょうど100倍=「クレジット/ドル比」そのもの。為替の問題ではなく、AIが1クレジット=$1と100クレジット=$1を取り違えた——つまり単位の取り違えが、そのまま桁2つの恐怖に化けた、というわけです(ぐぬぬ)。

ここから引き出せる教訓は地味に重い

  1. 私のこの1例では、AIは「自社の料金」という一次情報で桁を2つ間違えた。 これを「AIは必ず間違える」と一般化はしませんが、LLMは確率的に「もっともらしい文字列」を生成する装置である以上、数値や自己言及(自分自身に関する事実)で誤る可能性は構造的に常にある。だから数値・自己言及の回答は鵜呑み禁止、です。
  2. 「クレジット」という単位自体が、実コストを見えなくするUXです。円→クレジット→ドルと二段クッションを挟むと、ユーザーは瞬間の感覚で高い/安いを判断できなくなる。意図の有無は外からは検証できませんが、構造としては実コストを見えにくくする(ゲームの石課金に近い)。意図的なら、ダークパターンに当たる種類の設計です。

比喩の壊れどころ:「石課金と同じ」と言いましたが、ゲームの石は使い切り、クレジットは作業の従量消費という違いがあります。「実コストが直感で読めない」という一点だけが共通項です。

— 一旦、息継ぎ —

燃えている一万円札を指に挟んで掲げ、目を閉じて笑うスーツ姿の老紳士が「金は燃やすほどあるから別にいいけど!」と言い放つコマ

🗒️ 「金は燃やすほどあるから別にいいけど!」— 桁を2つ盛られて凍りついたのは、こちらが燃やせる側ではなかったから。(© Forbidden shibukawa / SHUEISHA・『スナックバス江』)

この「単価が直感とズレる」のが第一の錯覚。次は逆に、「払いすぎてるのでは?」という錯覚を、実測でひっくり返します。


錯覚②:定額の真価 ——「使い切れてる?」の正しい読み方

私はClaude(Anthropic社のAI)をMaxプラン20x(月200ドル、約3万円)で契約しています。ふと不安になりました。「まあまあの金額だけど、これ、元は取れてるのか?」

ここで大事なのが、Maxのような定額プランは『従量メーター』ではなく『レート制限』だという点です。

用語:従量課金(メーター) … 使った分だけ請求。タクシー方式。
用語:レート制限 … 「5時間あたり/週あたり、ここまで」という速度の上限。使わなかった枠は繰り越せず、消えるだけ。電気の契約アンペアに近い。
用語:サブスク(定額) … 月いくらで上限まで使い放題。

つまり「使い切れてる?」には2つの意味があります。(A) 元を取れているか(価値)と、(B) 上限に当たっているか(消費)。混同しがちですが、別物です。

実測してみた

価値を測るには「もしこの使用量をAPI従量課金で払っていたら、いくらか」を計算すればいい。ローカルに溜まっていた自分の使用ログ(約54,000メッセージ)を、現行のAPI公式単価で換算してみました。

期間 API換算コスト 月200ドルに対する倍率
今月(20日時点) 約 6,400ドル 約32倍
30日換算ペース 約 9,600ドル 約48倍
先月 約 2,920ドル 約15倍

単価の根拠:Claude Opus(Maxプランの主力上位モデル)でAPIなら入力 $5 / 出力 $25(100万トークンあたり)。これに対しMaxは定額。換算すると今月だけで32倍の働き。月3万円の契約で、従量なら月100万円近い相当量を回していたことになります。

注意:この32倍は「長時間エージェント自動作業」という重いワークロード固有の数字です。通常の対話中心の使い方では、キャッシュ再利用が効かないぶん倍率はずっと小さくなります。後述するように、この換算は全量を上位モデルOpusの単価で評価した上限寄りの値で、実際には安いモデル(Sonnet等)の混在ぶんを割り引いて読むべきです。

……と、ここで「異常に良い数字は内訳を疑う」(honest disclosure)

32倍は本物ですが、内訳を割らないと過大評価になります。換算額の約半分はキャッシュ読み出しでした。

用語:プロンプトキャッシュ … 同じ文脈を繰り返し送るとき、2回目以降を約1/10の単価で再利用できる仕組み。長時間の自動作業ではこのキャッシュ読み出しが膨大(私の場合90億トークン)になります。

つまり「90億トークン×激安レート」が金額を押し上げている。水増しではなく、list価格で素直に課金されたらこの額という正しい換算です。が、「単価×総量」の素朴計算より、何が支配項かを見るのが誠実な読み方です。支配項は「キャッシュ読み出し90億トークン」であり、この倍率はキャッシュ再利用に強く依存する=ワークロード依存だと押さえてください。

結論:(A) 元は完全に取れている(32倍)。(B) 上限に当たっているかは別問題で、もし「制限に達しました」が頻発するなら天井、出ないならまだ余力あり——という二段で読むのが正解です。

FullSenseとの接続:青天井サプライズが「原理的に」無い設計

私が開発しているFullSenseは「自宅PCで動く、責任感のある、おせっかいなAIエコシステム」を掲げる3つの独立OSS群です。その根っこの設計思想がローカルファースト——個人情報も企業機密もセンサーデータも外部に送らない。

この「錯覚②」が、ローカルファーストの価値を裏側から照らします。従量課金の青天井サプライズ(半日走らせたら100万円!?)は、ローカル実行なら原理的に起こらない。電気代という上限が物理的に効くからです。クラウドAIの「便利だが請求が読めない」不安と、ローカルAIの「遅いが予測可能」の対比——ここが普及の分かれ目だと考えています。

— ここまでが「今あるコスト」の話。次は「そもそも払う前に減らす」へ —


錯覚③:払う前に減らす ——「Headroom」というOSS、そして名前のオチ

3つ目の錯覚は「トークンは、モデルに渡す前に減らせる」という発想の盲点です。多くの人は「使った分は払うしかない」と思い込んでいる。

そこに刺さるのが、NetflixのシニアエンジニアであるTejas Chopra氏が2026年1月に公開したOSS、Headroom(github.com/chopratejas/headroom、Apache-2.0、活発に更新中で2026-06-21時点では★4万超・v0.2x系、The Registerも報道)。星数・バージョンは変動が激しいので、最新は公式リポジトリでご確認ください。

何をするものか

アプリとLLM APIの間に挟まる「コンテキスト圧縮層」です。エージェントがLLMに渡す前に、ツール出力・ログ・ファイル・RAGチャンク・会話履歴を内容に応じて圧縮します。

  • content-aware(内容認識)圧縮:JSON配列なら異常値だけ、ビルドログなら失敗行だけ、を残す。冗長な機械メタデータ・反復するJSONスキーマ・重複テンプレートは、人間の文章よりはるかに圧縮しやすい——そこを突く。
  • 可逆:圧縮箇所にマーカーを残し、原本はローカルに残すので、モデルが必要なら元データを呼び戻せる(リポジトリ呼称では可逆圧縮=CCR)。公開ベンチ(GSM8K / TruthfulQA / SQuAD v2 / BFCL の4種)では精度ほぼ維持と報告されています。
  • 実装:Python/TypeScriptライブラリ/透過プロキシ/Claude Code等のエージェント向けwrapper/MCPサーバー、と侵襲度を選べる。実装はPython/Rust製で、対象別の専用アルゴリズム(JSON用・コード用・学習済み圧縮モデルなど)を使い分けます。

公称でトークン60〜95%削減(GitHubの説明にも明記)。The Registerの報道(2026-05-31時点の公称推計)では、ユーザー合計で約70万ドル・2,000億トークンの節約とされています。

用語:RAGチャンク … 検索で引っ張ってきた参考文書の断片。LLMに「資料」として渡す塊で、これがトークンを食う主犯の一つ。
用語:MCPサーバー … AIに外部ツール/データを繋ぐ標準プロトコル(Model Context Protocol)の実装。

……と、ここでも内訳を疑う (honest disclosure)

派手な「95%」は上限です。誠実に注意点を挙げます。

  1. 95%は「機械出力が多い入力」での話。ログ・JSON・反復スキーマが対象だから効く。人間の散文(普通の文章)では削減幅はずっと小さい。公式自身が「機械出力は人間の散文より圧縮しやすい」と認めています。
  2. 高圧縮率ほど精度マージンは薄くなる。公開ベンチでも、SQuAD v2 は「圧縮19%で精度97%」、BFCL は「圧縮32%で精度97%」と、圧縮率と精度がトレードオフになる条件が示されています。つまり「どんな入力でも95%削っても精度同じ」ではない——95%削減と精度維持は、同じ入力では両立しません。
  3. 「same answers(回答は変わらない)」はベンチ上の主張。content-awareなヒューリスティック(経験則)である以上、たとえばセキュリティ/フォレンジック用途で「冗長」と判断されたログ行に検知シグナルが残っているリスクは残る。採用前に「削っても結果が落ちない」を自分のデータで実証すべきです。
  4. まだv0.x。動きは速いが、本番投入は要検証。

バーカウンターの酒瓶を背に、金髪ロングの女性が顎に指を当てて訝しげに「何か主語がデカくない…?」と問うコマ

🗒️ 「何か主語がデカくない…?」— 「95%削減」も「32倍」も、主語(どんな入力で・どんな使い方で)を狭めてから読む。(© Forbidden shibukawa / SHUEISHA・『スナックバス江』)

名前のオチ:AI史が一周して韻を踏む

そしてこのツール、公式に命名由来の説明は見当たりませんが、名前がMax Headroomへのオマージュだと筆者は読みます。headroomは「余白/余裕」を指す技術文脈の一般語でもあり、トークン上限の『余白(headroom)』を作るツール名としても自然——その上で、冒頭の「初代AI司会者(実は人力=錯覚)」と二重に効いている。出来すぎです。

つまり構図はこうです——40年前、AIに見せかけた人間(Max Headroom)が登場し、40年後、その名を借りたツール(Headroom)が、AIコストの錯覚を削っている。初代が「錯覚を作った」側で、現代が「錯覚を削る」側。命名が一周回って効いている(あくまで筆者の解釈で、開発者の明言は確認できていません)。


三層モデル:「何にいくら払っているか」を分解する

3つの錯覚は、実は払う対象の層が違うだけです。整理するとこうなります(表の最下段は、この記事で「第四の層」として触れるアーキテクチャ層です)。

層 錯覚の正体 効く対策
単価層(クレジット/トークン価格) 表示の錯覚(クレジット二段クッション) 実通貨に換算して直感を取り戻す
課金モデル層(定額サブスク vs 従量メーター) 構造の錯覚(「使い切れてる?」の取り違え) 価値=API換算倍率/消費=レート天井、を分けて測る
前処理層(圧縮) 削減余地の見落とし Headroom等でモデルに渡す前に削る
アーキテクチャ層(llcore) 保持コストの錯覚(メモリがトークン数に比例して膨らむ) 線形attentionで状態を定数化し、長文でもメモリを膨らませない

そしてFullSense/llcoreが狙うのは、この下にある第四の層です。

  • アーキテクチャ層:私が開発中の研究FW「llcore」は、Transformerの注意機構を定数状態の線形attentionに置き換え、文脈を保持するメモリをトークン数に比例させない方向を探っています。

かみくだき:通常のattentionは、文脈が伸びるほど「過去全部」を抱え続けるので記憶コストがどんどん増えます。線形attentionは、その記憶を一定サイズの状態に畳み込むので、長文でもメモリが膨らみにくい。ただし畳み込むぶん細部の取りこぼしは起こりうる——「圧縮して持つ」比喩の壊れどころはここです。

Headroom(前処理層)とllcore(アーキ層)は競合ではなく補完です。Headroomは「読む量を減らす」、llcoreは「保持コストを下げる」。同じ「トークン効率」という北極星の、別々の高度。両輪で効きます。


実務の処方箋

錯覚を解いた上での、現実的な動き方です。

  1. 従量API(自前でAPIを叩くアプリ)→ Headroom導入で実コスト削減。 ここは円が直接減る。Apache-2.0・ローカルプロキシなので、外部送信を増やさずに済む(ローカルファースト思想とも相性が良い)。
  2. 定額サブスク(Claude Code等)→ お金ではなく「レート枠の余白」に効く。 Headroomは公式にClaude Code wrapperを提供。トークンが減る=5時間/週次の天井に当たりにくくなる、という文字どおりのheadroomです。
  3. まず測れ、話はそれから。 自分の使用ログをAPI換算して価値倍率を出す。そして異常に良い数字が出たら、勝った気になる前に内訳を疑う(私の32倍も、半分はキャッシュでした)。

おわりに:見た目と中身を、分けて見る目

AIのコストは、表示されている単価でも、月末の請求書の数字でもなく、**「構造」**で決まります。クレジットという見せ方、定額か従量かという課金モデル、そして渡す前に削れるという前処理の余地。どれも「見た目」に引っ張られると判断を誤る。

40年前のMax Headroomが教えてくれるのは、結局これです——派手な見た目(錯覚)と、地味な中身(実体)を、分けて見る。あのカクカクした未来的なAI司会者の正体が、4時間半メイクを塗った人間だったように。

FullSenseが掲げる「ローカルファースト」「honest disclosure(正直な開示)」は、そのための道具です。請求に怯える前に、自分のトークン経済を一度、構造で棚卸ししてみてください。たぶん、あなたが思っているのとは違う場所にコストの実体があります。


参考

本記事の数値(クレジット換算・Maxプランの32倍・トークン内訳)は筆者の実体験および自身の使用ログの実測に基づきます。また、Headroomの星数・バージョン・節約額等の外部数値は執筆時点(2026-06)の公開情報に基づく値で、いずれも変動します。AIプランの料金・レート制限・OSSの仕様は変動が激しいため、採用判断時は各公式の最新情報をご確認ください。

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?